コンテンツにスキップ

AI-native マルチレベル流体解析環境 OpenRheo の開発 — 集合住宅 LDK の温熱環境と自動車空力への適用

英語 | 日本語

« Home

この発表について

発表:2026-11-12/13、オープンCAEシンポジウム2026、講演番号 A35(今野 雅、東京大学情報基盤センター客員研究員)。 このページの図と数値は発表のときのものです。その後の更新は、各節からリンクした個別のページにあります。

はじめに

  • JCAHPC の Miyabi、名古屋大学の不老・弐、富岳 NEXT など、国内の計算資源は GPU が中心になりつつあります。
  • 線形方程式を解く FVM と違い、LBM は GPU で速く解けます。ただし、すべてを LBM で解くのは効率がよくありません。 そこで、CPU には 1 次元モデルと定常 FVM の解析を、GPU には非定常 LBM の解析を割り当てると効率がよいと考えました。
  • これまでソフトウェアの開発には多くの人手と時間が要りました。最近の大規模言語モデル(LLM)を使えば、計算資源に合わせた 1 次元モデルや LBM のコードを一から作れ、FVM 解析に使う OpenFOAM のチューニングやケースの作成・実行もできます。
  • この考え方で、LLM を使ってマルチレベル流体解析環境 OpenRheo を開発しました(オープンソース、Apache-2.0)。
  • 集合住宅の LDK の温熱環境解析と、DrivAer の自動車空力解析に適用した結果を報告します。
LDK(非定常 LBM) DrivAer(LBM)
LDK の座席を通る鉛直断面の速さのアニメーション(非定常 LBM) DrivAer の対称面の速さのアニメーション(LBM)

OpenRheo の構成と独自 LBM カーネル

AI-native マルチレベル流体解析環境の設計

OpenRheo の役割と計算機。LLM のエージェント、1 次元モデル、定常 FVM は CPU、非定常 LBM は GPU で実行する。矢印はレベルの間の場の受け渡し

構成要素 内容
AI-native LLM と自然言語で対話し、データを渡しながら、コードの生成・解析・分析を進める
1 次元モデル 系全体をモデル化して解く。FVM や LBM と連成もする。通常は CPU で実行する。分布が必要なら定常 FVM 解析へ、非定常性が必要なら LBM 解析へ、LLM の判断で進む
定常 FVM チューニング済みの OpenFOAM のケースを作って実行する。通常は CPU の多コアで実行する
非定常 LBM ブロックフォレストで動的 AMR ができる、新しく開発した独自のカーネル。通常は GPU で実行する

今はクラウドの LLM(Claude Code)を使っています。クラウドの LLM が教師となってコード・スクリプト・事例・メモリなどを整え、ローカルの LLM でも動かせるようにすることを目指しています(ローカル LLM のエージェント)。設計の考え方は Architecture と マルチフィデリティ にあります。

独自 LBM カーネルの衝突演算子と機能比較

OpenRheo と OpenLB、waLBerla、FluidX3D、Palabos の機能比較(GPU と言語、AMR、ライセンス、特徴)

他の LBM のオープンソースと比べた OpenRheo の特徴は、標準 C++ の stdpar で書いていること、動的に細分できるブロックフォレスト、Apache-2.0 のライセンス、1 次元モデルと OpenFOAM との統合です。

D3Q19 と D3Q27 の速度格子と、衝突演算子ごとに緩和する空間と緩和係数

速度格子は D3Q19(静止 1、面 6、辺 12)と D3Q27(さらに角 8)です。衝突演算子は BGK、TRT、MRT、中心モーメント、キュムラント、RR(正則化)、HRR があり、それぞれ緩和させる空間が違います。LDK の計算の HRR では σ = 0.98 を使いました。

独自 LBM カーネルの検証例

ケース 動画 参照値との比較
キャビティ キャビティの動画 キャビティの参照値との比較
Ahmed body Ahmed body の動画 Ahmed body の参照値との比較
ダムブレイク(SPHERIC) ダムブレイク(SPHERIC)の動画(96 セル/m) ダムブレイク(SPHERIC)の水位 H2 の実験との比較(96 セル/m)
自然対流 自然対流の動画 自然対流の参照値との比較
血流(脳動脈瘤) 血流(脳動脈瘤)の動画 血流(脳動脈瘤)の参照値との比較
風環境(AIJ case A) 風環境(AIJ case A)の動画 風環境(AIJ case A)の参照値との比較
DEM(2 球) DEM(2 球)の動画 DEM(2 球)の参照値との比較

グラフの青は OpenRheo、灰は参照値(実験値・解析値)です。血流と DEM は図中の凡例によります。多くは参照値とおおむね一致しました(Ahmed body の Cd は約 1 割大きい)。動画は可視化のために計算し直したものです。詳しくは各ケースのページと 検証のギャラリー にあります。

LBM の検証:立方体まわりの流れ(ERCOFTAC case 41)

解析領域と解析条件。D3Q27、キュムラント、LES(Smagorinsky Cs = 0.1)。解析領域 22H × 24H × 2H(実寸比)、流入は実測分布と人工乱流、上面は no-slip と壁関数、床は no-slip と Spalding の壁関数。立方体の高さ H、格子 1056 × 1152 × 96、Δx = H/48

速度 Q 値
中心面 z = 0 の速さ(U_b で無次元化)の動画(x/H = −3〜11) Q 値の等値面(Q (H/U_b)² = 30)の動画

中心面の平均速度 U/U_b の鉛直分布。x/H = −1.5、1、2、3。○は実験(LDA)

Miyabi-G の GH200 での 1 GPU 基準の強スケーリング。2/4/8 GPU で 1.96/3.60/6.76 倍(並列化効率 98.0/90.0/84.5 %)

速度プロファイルは実験(LDA)とよく合いました。マルチ GPU の強スケーリング(H/48、1.23 億セル、固体帯込み)は、1 GPU を基準に 2/4/8 GPU で 1.96/3.60/6.76 倍(並列化効率 98.0/90.0/84.5 %)でした。詳しくは 壁に取り付けた立方体(ERCOFTAC case 41)。

形態係数の高精度化

  • 住宅の温熱環境では放射の寄与が大きく、viewFactor モデルで放射を解析するのが一般的です。
  • OpenFOAM 標準の形態係数の算出は精度が悪く、総和則を満たしません。そこでモンテカルロ法で精度を上げました。
  • モンテカルロ法は、余弦で重みを付けた光線の到達確率で形態係数を求めるので、原理的に総和則を満たします。
  • モンテカルロ法の計算コストの大半は光線追跡です。BVH(Bounding Volume Hierarchy)で速くしました。
  • 解析解がある様々な形状で検証しました。
  • 面積と形態係数の積を対称化し、総和則だけでなく相反則も精度よく満たすようにしました。

(a) ヌッセルトの単位半球、(b) 光線が最初に交わる面を探す BVH、(c) 閉形式の解をもつ 6 例での光線数と平均相対誤差

コードは gitlab.com/masaz/viewFactorsGenMC(GPLv3)にあります。

集合住宅 LDK の熱流体解析(定常 FVM)

対象と実測

LDK の解析領域の概念図(平面)。家具、窓、エアコン、サーキュレータ、在室者、座席の測定点の配置

  • 8 月中旬、成人 1 名がソファーに座って在室しているとき。
  • エアコンの設定温度は 27 °C。
  • LLM が測定すべきと指定したものを順に測りました。
  • 面温度 53 点(サーモカメラ)と空気温度 3 点(温湿度計)、計 56 点で検証しました。
  • 形状は、平面図・家具の配置図と、スマートフォンの LiDAR によるスキャンから作りました。

ダイニングの照明器具の LiDAR スキャンの点群(灰)とモデルの形状(赤)。平面と立面、単位 mm

金属面とカーテンは、黒いマスキングテープの上で測りました(ガラスは反射のため 34.7〜40.5 °C、テープの上では 29.9〜32.7 °C)。

定常 FVM のモデル諸元と 1 次元モデル

項目 較正ケース
ソルバ 放射のバグを修正した buoyantSimpleFoam
格子・反復数 約 125 万格子(48 ランク)・30,000 反復
乱流モデル k-ω SST(Spalding の壁関数)
放射モデル viewFactor、粗面 4,440 枚、自己放射を反映
在室者 JOS-3(83 節点)、50 反復ごとに連成
エアコンの吹出 風量 0.196 kg/s、温度 22.0 °C(比例制御)
熱量 724 W(取得)/ 946 W(エアコンによる除去)
外気 29.1 °C(アメダス)

FVM と連成する 1 次元モデル。上:6 部位の在室者と JOS-3(83 節点、50 反復ごとに壁温と熱流束を受け取り、部位ごとの皮膚温を返す)。下:エアコンの制御モデル(室の熱収支から吹出温度を決め、設定温度との差に比例して補正する)

JOS-3 と連成すると、皮膚温を固定した場合に比べて、人体の放熱は 37.4 → 51.0 W、熱収支の残差は 157 → 129 W になりました。

定常 FVM の結果と実測との比較

定常 FVM の温度と風速。左:人体の断面、右:エアコンの吹出口の断面

実測と計算の比較(56 点)。破線は ±1 K

  • エアコンの冷気は天井に沿って北西へ流れ、窓際を降りて、床に沿って戻ります。
  • 実測 56 点と RMS 0.63 K で一致しました。窓は 14 点中 13 点で計算値が低く、平均 −0.55 K でした。
点数 RMS [K] ±1 K 以内
窓以外 42 0.60 37
窓 14 0.69 11
全体 56 0.63 48

1 次元モデルとの連成は マルチフィデリティ にもまとめています。

非定常 LBM の居室への適用

サーキュレータのスイング

  • サーキュレータのスイング(首振り)が座席の位置に生む気流の間欠性を、浮力を考えた非定常 LBM で評価しました。
  • LBM だけでは、冷えた吹出気流が降りてきて床の近くに生む気流が再現されませんでした(高さ 0.1、0.6 m で、FVM の 0.25、0.21 m/s に対して 0.02、0.05 m/s)。
  • そこで、定常 FVM の速度場と温度場の解を LBM の格子に写して基底状態とし、外力と熱源でその状態を保ったまま変動を解きました。
  • 停止と、風量 1/9、2/9、4/9 のスイング(風向 ±45°、周期 60 s)を、スイングを始めてから 30〜90 s の間で比べました。

(a) LDK の熱 HRR-LBM の解析領域と細分領域、(b) 座席の位置の頭部と腹部の高さでの速さの時間変化

D3Q19 で、基底の 100 mm から人体とサーキュレータの周りを 12.5 mm まで 3 レベル細分しました(流体セル 260 万)。HRR 衝突と Smagorinsky、Spalding の壁関数、Boussinesq 近似を使いました。

風量 4/9・周期 60 s・±45° スイングの風速

(a) ファン中心の高さ 0.20 m の水平断面 (b) 人体の中心を通る鉛直断面(サーキュレータの仰角 18.5°)
サーキュレータの高さ z = 0.20 m の水平断面の速さのアニメーション。矢印は首の向き、丸は座席 座席を通る鉛直断面 x = 4.86 m の速さのアニメーション。くるぶし・腹部・頭部の高さの点と、頭部の高さ 1.1 m の破線

座席の位置の気流と温熱快適性

風量の設定に対する (a) 平均風速と乱れの強さ、(b) MRT と SET*、(c) PMV とドラフト率

座席の位置 停止 スイング・風量 4/9
頭部(高さ 1.1 m)の風速 0.07 m/s 0.19 m/s(+0.12 m/s)
頭部の乱れの強さ Tu 34 % 58 %(+24)
SET* 27.3 °C 27.0 °C(−0.3 °C、より涼しい)
PMV(0:中立、正:暑い) 0.64 0.55(−0.09、より涼しい)

首振りの効果の調べ方は 首振り噴流 にもあります。

車体空力解析

定常 FVM の解を流入とする LBM

DrivAer の設定。(a) FVM の解析領域と境界条件、(b) y = 0 の FVM 格子とプリズム層、(c) LBM の解析領域、細分レベルと境界条件、流入面の y = 0 の平均流速ベクトル(0.2 m おき)

項目 内容
FVM simpleFoam、k-ω SST、343 万セル、車輪回転。16 m/s で Cd 0.257(実験 [Collin] 0.252)
LBM の流入 FVM の流速に、k からデジタルフィルタ法で変動を与える
LBM D3Q27 キュムラント、最小格子幅 1.1 cm(1,982 万セル)、Miyabi-G の GH200 1 基で約 45 分
壁 Spalding の壁関数、移動床、後輪回転

FVM のケースは講習会の例題(gitlab.com/OpenCAE/Supercomputer-OpenFOAM-Training)です。FVM の格子は snappyHexMesh で作り、343 万セル、プリズム層は車体・車輪・地面に 6 層です。

対称面の流速と後流の変動

DrivAer の y = 0 断面。(a) FVM の平均の u、(b) LBM の瞬間の u(最小格子 1.1 cm、後輪回転)、(c) 後流の 4 点での LBM の u

FVM LBM LBM 細分割(車体下面の格子幅を半分)
後端の逆流域の長さ 0.72 m 0.92 m 1.08 m
床から 0.1 m、後端の流速 12.8 m/s 8.8 m/s 12.6 m/s
  • 後流の点の速度の標準偏差は 1.2〜3.4 m/s でした。
  • せん断層と後流のスペクトルのピークは 3.75〜5.0 Hz(車高で St = 0.33〜0.44)でした。
  • 非定常解析でしか得られない情報を、GPU で速い LBM 解析で得られます。

図と数値(下面 0.55 cm の列を含む)は梗概のときの計算です。壁関数を移動床・車輪に対する相対速度で評価するように直した再計算では、逆流域 0.93 m、後端の流速 9.4 m/s でした(Cd の差は 2 % 以内)。

LBM の後流(対称面)

DrivAer ファストバックの y = 0 断面の速さ |u| のアニメーション。車体の後端から逆流域とせん断層の渦が流れ下る

詳しくは DrivAer ファストバック。

格子生成 rheoMesh

OpenRheo のサブプロジェクト rheoMesh

  • snappyHexMesh(以下 shm)のチューニングではなく、一から開発しました(ライセンスへの配慮から、ソースコードも参照していません)。
  • 入力には snappyHexMeshDict と形状ファイルをそのまま使えます。
  • 同じ八分木・レベルマップから LBM 用のブロックフォレストも作る設計です(書き出しは開発中)。
  • blockMesh が要らず、スレッド並列(oneTBB)なのでノード内の領域分割・再構成も要らないため、通常の shm より速く格子を作れます。

LBM 用のブロックフォレスト格子の 2 次元の模式図(4 × 4 × 4 単位のブロック)。レベル 0〜2 のブロックが物体の周りで細かくなる

モードは 2 つあります。

  • snappyHexMeshLike モード:shm と同様のアルゴリズムで処理するモード。
  • ピロー付きモード:多くの層を入れられるモード(後述)。

snappyHexMeshLike の処理の流れ。castellate で形状の外の細分格子を作り、snap で境界の点を形状へ移し、shrink で壁の点を層の厚さだけ押し戻し、extrude でできた隙間に層を押し出す

自動車モデル DrivAer での比較

左:snappyHexMesh、右:rheoMesh の snappyHexMeshLike の中心断面。車体の内側に、側面から見た壁面ごとの層数(赤 0、黄 1、緑 2、青 3)。下に A 床下の窪み、B リアガラス、C ディフューザの縁、D 床下後部の突起の拡大断面

格子生成時間 [s]:層あり 層なし 格子品質:非直交 > 60° 歪度 > 3 隙間 [cm³] 層被覆率 [%]:車体 前輪 後輪
shm 37.4 30.7 52 172 841 92.6 58.1 54.9
rheoMesh 24.0(1/1.6) 8.2(1/3.7) 39(1/1.3) 53(1/3.2) 149(1/5.6) 98.8(+6.2) 94.0(+35.9) 94.4(+39.5)

shm:snappyHexMesh。車体・車輪に 3 層、地面に 0 層。時間は Flow2 Type I の 1 ノードで、メッシャー本体だけを測りました(shm は 384 ランクの MPI、rheoMesh は 1 プロセスのスレッド並列)。括弧内は shm に対する比で、時間は高速化率、層被覆率は差です。非直交と歪度は面の数、層被覆率は層の付いた壁面の割合、隙間は壁と形状の間の体積です。図は中心断面で、A は y = 0.34 m、C は y = 0.52 m の断面、車体の内側は壁面ごとの層数です。

ピロー付きモード(開発中)

ピロー付きモードの処理の流れ。八分木のコア、表面の近くのセルを外す、ピロー層で埋めて表面へ投影する、表面の側から層を押し出す

床下の窪み(y = 0.34 m)の断面。左:snappyHexMesh、中:rheoMesh(shm Like)、右:rheoMesh(pillow)

車体・車輪・地面 6 層の設定 セル数 時間 [s] 非直交 > 60° 特徴線 ≤ 1 mm [%] 隙間 [cm³] 前輪の被覆率 [%] 前輪の層数
shm 343万 38.8 61 26.4 841 52.0 0.97
rheoMesh(shm Like) 354万 25.5 48 45.9 188 93.8 2.49
rheoMesh(pillow) 403万 60.4(課題) 679(課題) 57.1 121 96.4 5.51

講習会の辞書のまま(車体・車輪・地面に 6 層)、rheoMesh 2c250298 で作りました。時間はメッシャーだけ(Flow2 Type I の 1 ノード)です。断面は床下の窪み(y = 0.34 m)です。

詳しくは rheoMesh と 比較と結果。

まとめ・今後の課題・公開リポジトリ

まとめ

  1. AI-native なマルチレベル解析環境 OpenRheo を開発しました。
  2. 形態係数:モンテカルロ法で精度を上げました。総和則だけでなく相反則も精度よく満たすように対称化しました。
  3. LDK の定常 FVM 解析:窓以外 RMS 0.60 K、窓 0.69 K で実測と一致しました。窓には −0.55 K の偏りがあります。
  4. LDK の非定常熱 LBM 解析:サーキュレータのスイングで、乱れの強さは 34 → 58 %、SET* は 27.3 → 27.0 °C になりました。
  5. 自動車空力解析:定常 FVM の場を流入条件にして後流を LBM で解くことで、安価に非定常解析ができます。
  6. OpenRheo の新しいメッシャー rheoMesh:shm と同じ設定(車体・車輪に 3 層)で 37 s → 24 s、車輪の層の欠けは 4 割強 → 1 割未満になりました。

今後の課題

  • ローカル LLM による制御。
  • LDK の冬季の温熱環境解析(1 次元モデルによる全室の温湿度解析、定常 FVM でのエアコン・床暖房・シェードなどの多目的最適化、LBM によるドラフト感の評価)。CPU の FVM 解析で得たパレートフロントの候補を、GPU で LBM 解析します。

公開リポジトリ